Ini ialah arahan pkoptsvm yang boleh dijalankan dalam penyedia pengehosan percuma OnWorks menggunakan salah satu daripada berbilang stesen kerja dalam talian percuma kami seperti Ubuntu Online, Fedora Online, emulator dalam talian Windows atau emulator dalam talian MAC OS.
JADUAL:
NAMA
pkoptsvm - program untuk mengoptimumkan parameter untuk pengelasan SVM
SINOPSIS
pkoptsvm -t latihan [pilihan] [maju pilihan]
DESCRIPTION
pkoptsvm Mesin vektor sokongan bergantung pada beberapa parameter. Sebaik-baiknya, ini
parameter harus dioptimumkan untuk setiap masalah klasifikasi. Dalam kes asas jejari
fungsi kernel, dua parameter penting ialah {kos} dan {gamma}. Utiliti pkoptsvm
boleh mengoptimumkan kedua-dua parameter ini, berdasarkan penilaian ketepatan (nilai Kappa). Jika
set ujian input (-i) disediakan, ia digunakan untuk penilaian ketepatan. Jika tidak, yang
penilaian ketepatan adalah berdasarkan pengesahan silang (-CV) sampel latihan.
Rutin pengoptimuman menggunakan carian grid. Nilai awal dan akhir bagi
parameter boleh ditetapkan dengan -cc nilai permulaan -cc nilai akhir dan -g nilai permulaan -g nilai akhir untuk
kos dan gamma masing-masing. Carian menggunakan langkah pendaraban untuk mengulangi
parameter (ditetapkan dengan pilihan -stepcc and -stepg). Pendekatan yang sering digunakan ialah mendefinisikan
langkah pendaraban yang agak besar dahulu (cth 10) untuk mendapatkan anggaran awal bagi
kedua-dua parameter. Anggaran kemudiannya boleh dioptimumkan dengan mentakrifkan langkah yang lebih kecil (>1) dengan
nilai permulaan dan akhir terhad untuk kos parameter dan gamma.
PILIHAN
-t nama fail, --latihan nama fail
fail vektor latihan. Fail vektor tunggal mengandungi semua ciri latihan (mesti
ditetapkan sebagai: b0, b1, b2,...) untuk semua kelas (nombor kelas dikenal pasti mengikut pilihan label).
-i nama fail, --input nama fail
fail vektor ujian input
-cc nilai permulaan -cc nilai akhir, --ccost nilai permulaan --ccost nilai akhir
sempadan min dan maks parameter C C-SVC, epsilon-SVR dan nu-SVR (pilihan:
nilai awal)
-g nilai permulaan -g nilai akhir, --gamma nilai permulaan --gamma nilai akhir
sempadan maks min untuk gamma dalam fungsi kernel (pilihan: nilai awal)
-langkah saiz langkah, --langkah saiz langkah
langkah pendaraban untuk ccost dan gamma dalam carian GRID
-v tahap, --verbose tahap
gunakan 1 untuk mengeluarkan hasil perantaraan untuk memplot
Pilihan lanjutan
-tln lapisan, --tln lapisan
nama lapisan latihan
-label atribut, --label atribut
pengecam untuk label kelas dalam fail vektor latihan. (lalai: label)
-bal saiz, --seimbang saiz
mengimbangi data input kepada bilangan sampel ini untuk setiap kelas (lalai: 0)
-rawak, --rawak
dalam kes baki, rawak data input
-min nombor, --min nombor
jika bilangan piksel latihan kurang daripada min, jangan ambil kira kelas ini
-b band, --band band
indeks jalur (bermula dari 0, sama ada gunakan pilihan jalur atau gunakan mula hingga akhir)
-sband band, --jalur permulaan band
mulakan nombor urutan jalur
-eband band, --jalur akhir band
nombor urutan jalur tamat
-mengimbangi nilai, --offset nilai
nilai offset untuk setiap ciri input jalur spektrum:
refl[band]=(DN[band]-offset[band])/skala[band]
-skala nilai, --skala nilai
nilai skala untuk setiap ciri input jalur spektrum:
refl=(DN[band]-offset[band])/scale[band] (gunakan 0 jika skala min dan maks dalam setiap jalur
kepada -1.0 dan 1.0)
-svmt jenis, --svmtype jenis
jenis SVM (C_SVC, nu_SVC, one_class, epsilon_SVR, nu_SVR)
-kt jenis, --jenis kernel jenis
jenis fungsi kernel (linear, polinomial, jejari, sigmoid)
-kd nilai, --kd nilai
ijazah dalam fungsi kernel
-c0 nilai, --coef0 nilai
coef0 dalam fungsi kernel
-nu nilai, --nu nilai
nu parameter nu-SVC, SVM satu kelas dan nu-SVR
-elos nilai, --elos nilai
epsilon dalam kehilangan fungsi epsilon-SVR
-cache nombor, --cache nombor
saiz memori cache dalam MB (lalai: 100)
-etol nilai, --etol nilai
toleransi kriteria penamatan (lalai: 0.001)
-mengecut, --mengecut
sama ada menggunakan heuristik yang mengecut
-CV nilai, --CV nilai
mod pengesahan silang n lipatan (lalai: 0)
-rujuk, --rujuk
gunakan Ketepatan Keseluruhan dan bukannya kappa
-maxit nombor, --maxit nombor
bilangan maksimum lelaran
-tol nilai, --toleransi nilai
toleransi relatif untuk kriteria berhenti (lalai: 0.0001)
-a nilai, --algoritma nilai
GRID, atau mana-mana algoritma pengoptimuman daripada http://ab-
initio.mit.edu/wiki/index.php/NLopt_Algorithm
-c nama, --kelas nama
senarai nama kelas.
-r nilai, --kelas semula nilai
senarai nilai kelas (gunakan susunan yang sama seperti dalam --kelas pilihan).
24 Januari 2016 pkoptsvm(1)
Gunakan pkoptsvm dalam talian menggunakan perkhidmatan onworks.net
